Académique Documents
Professionnel Documents
Culture Documents
et de fumée
Présentée par: Assala Iddoub
Aya Amarass
Abdelkarim Berrich
2023
01 Introduction
02 Context et
solutions
avancement du Méthodologie
03 projet
04
05 Conclusion
01
Introduction
Le projet de détection d’incendie et fumée avec deep learning
vise à développer un modèle de détection automatique de feux
à partir d'images. Les feux sont une menace constante pour la
sécurité publique et l'environnement, et leur détection précoce
est cruciale pour minimiser les dommages causés par ces
derniers. Le deep learning offre une approche efficace pour la
détection automatique de feux et fumée, en permettant la
conception et l'entraînement de modèles précis et fiables.
1.
02
Contexte et Solution
La détection d’incendie et fumée est une préoccupation majeure
en matière de sécurité incendie dans de nombreux domaines. Un
incendie peut avoir des conséquences catastrophiques.
3.
Av a n c e m e n t d e s p r o j e t s
• Nous avons écrit un code pour la détection de feu et de fumée en utilisant un réseau de
neurones à convolution (CNN) en TensorFlow. Le code importe d'abord les
bibliothèques nécessaires, y compris TensorFlow et ImageDataGenerator. Ensuite, il
effectue l'augmentation de données en utilisant ImageDataGenerator pour créer plus
de données à partir des données existantes, et charge la source de données en
utilisant la méthode flow_from_directory.
6.
• Enfin, le modèle est compilé et entraîné en utilisant l'optimiseur Adam, la fonction de
perte binary_crossentropy et les métriques de précision. L'entraînement est effectué
pendant 10 époques, et un rappel ModelCheckpoint est utilisé pour enregistrer le
meilleur modèle. Les graphiques d'exactitude d'entraînement et de validation du
modèle peuvent être tracés en utilisant la variable history qui contient l'historique
d'entraînement du modèle. Dans l'ensemble, le code semble bon et peut être exécuté
pour entraîner un modèle de détection de feu et de fumée.
7.
04
Méthodologie
• Collecter des images de feu et de non-feu pour entraîner le modèle.
• Utilisez le modèle formé pour faire des prédictions sur de nouvelles images.
5.
05
8.
Merci
T
2023